a。個(gè) 像素點(diǎn)中第Na。個(gè)像素點(diǎn)的均值特征、對(duì)比度特征和半方差特征；分別為A平穩(wěn)區(qū)域中在視覺(jué)上變化的Nai個(gè)像素點(diǎn)中第1個(gè) 像素點(diǎn)的均值特征、對(duì)比度特征和半方差特征；分別為A平穩(wěn)區(qū)域中在視覺(jué)上變化的Nai個(gè)像素 點(diǎn)中第Nai個(gè)像素點(diǎn)的均值特征、對(duì)比度特征和半方差特征； 再結(jié)合A平穩(wěn)區(qū)域的訓(xùn)練標(biāo)簽Ia構(gòu)成A平穩(wěn)區(qū)域的訓(xùn)練樣本Sp A: Spa= {g a, IJ 其中，A平穩(wěn)區(qū)域的訓(xùn)練標(biāo)簽Ia是一個(gè)長(zhǎng)度為N的行向量，其前N。個(gè)元素為0,其后Ni 個(gè)元素為1 : 6b)將支撐向量機(jī)的類型設(shè)置為C-SVC模型，并將核函數(shù)的類型設(shè)置為徑向基核函數(shù)； 6c)將懲罰因子C和徑向基核函數(shù)中核參數(shù)γ進(jìn)行交叉驗(yàn)證，得到對(duì)應(yīng)于A平穩(wěn)區(qū)域 的最優(yōu)（C, γ)組合； 選取懲罰因子C e {2 8, 2 7·5,...，27·5, 28}，徑向基核函數(shù)中核參數(shù) 丫￡{28,27'5，...，27'5,2 8}，則共有33父33個(gè)（(：，丫）組合，對(duì)該33\33個(gè)（(：，丫）組合進(jìn) 行5層交叉驗(yàn)證，具體步驟為： 將A平穩(wěn)區(qū)域的訓(xùn)練樣本3?&隨機(jī)地平均分成5組數(shù)據(jù)：組Al、組Α2、組A3、組Α4、組 A5,將5組數(shù)據(jù)分別作為一次驗(yàn)證集，并將5組數(shù)據(jù)分別對(duì)應(yīng)的其余4組數(shù)據(jù)進(jìn)行順序組合 作為訓(xùn)練集；首先，將組Al作為驗(yàn)證集，將組A2、組A3、組A4、組A5進(jìn)行順序組合作為訓(xùn)練 集，將該訓(xùn)練集和每一個(gè)（C，γ)組合進(jìn)行分類，得到33 X 33個(gè)分類結(jié)果，將該33 X 33個(gè)分 類結(jié)果分別與組Al進(jìn)行比較，求得對(duì)應(yīng)于組Al的每一個(gè)（C，γ)組合的分類準(zhǔn)確率，選取 其中分類準(zhǔn)確率最高的（C，γ)組合作為對(duì)應(yīng)于組Al的最優(yōu)（C，γ)組合；然后，分別將組 Α2、組A3、組Α4、組Α5作為驗(yàn)證集，選出對(duì)應(yīng)于組Α2、組A3、組Α4、組Α5的最優(yōu)（C，γ)組 合；最后，比較對(duì)應(yīng)于組AU組A2、組A3、組A4、組A5的最優(yōu)（C，γ)組合，將其中分類準(zhǔn)確 率最高的（C，γ)組合作為對(duì)應(yīng)于A平穩(wěn)區(qū)域的最優(yōu)（C，γ)組合；若對(duì)應(yīng)于組AU組Α2、組 A3、組A4、組A5的最優(yōu)（C，γ)組合中，分類準(zhǔn)確率最高的（C，γ)組合有多個(gè)，則選取其中 懲罰因子C為最小的（C，γ)組合作為對(duì)應(yīng)于A平穩(wěn)區(qū)域的最優(yōu)（C，γ)組合； 6d)利用對(duì)應(yīng)于A平穩(wěn)區(qū)域的最優(yōu)（C，γ)組合和A平穩(wěn)區(qū)域的訓(xùn)練樣本SpJt支撐向 量機(jī)進(jìn)行訓(xùn)練，得到第一分類標(biāo)簽矩陣Ac，其維數(shù)與對(duì)數(shù)比值圖像Xb的維數(shù)相同。6.如權(quán)利要求1所述的基于非平穩(wěn)分析與條件隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特 征在于，所述步驟7的具體子步驟為： 7a)根據(jù)對(duì)數(shù)比值圖像的紋理特征矩陣gs，提取第二集合Kb。和第四集合K B1的像素點(diǎn) 的紋理特征，組成B平穩(wěn)區(qū)域的紋理特征向量gB:其中，）分別為B平穩(wěn)區(qū)域中在視覺(jué)上未變化的Nb。個(gè)像 素點(diǎn)中第1個(gè)像素點(diǎn)的均值特征、對(duì)比度特征和半方差特征；分別為B平穩(wěn)區(qū)域中在視覺(jué)上未變化的Nb。個(gè)像 素點(diǎn)中第Nb。個(gè)像素點(diǎn)的均值特征、對(duì)比度特征和半方差特征；分別為B平穩(wěn)區(qū)域中在視覺(jué)上變化的Nbi個(gè)像素點(diǎn)中第1個(gè) 像素點(diǎn)的均值特征、對(duì)比度特征和半方差特征；分別為B平穩(wěn)區(qū)域中在視覺(jué)上變化的Nbi個(gè)像素 點(diǎn)中第Nbi個(gè)像素點(diǎn)的均值特征、對(duì)比度特征和半方差特征； 再結(jié)合B平穩(wěn)區(qū)域的訓(xùn)練標(biāo)簽Ib構(gòu)成B平穩(wěn)區(qū)域的訓(xùn)練樣本Sp B: Spb 一 is B) ?β? 其中，B平穩(wěn)區(qū)域的訓(xùn)練標(biāo)簽Ib是一個(gè)長(zhǎng)度為N的行向量，其前N。個(gè)元素為0,其后Ni 個(gè)元素為1 : 7b)將支撐向量機(jī)的類型設(shè)置為C-SVC模型，并將核函數(shù)的類型設(shè)置為徑向基核函數(shù)； 7c)將懲罰因子C和徑向基核函數(shù)中核參數(shù)γ進(jìn)行交叉驗(yàn)證，得到對(duì)應(yīng)于A平穩(wěn)區(qū)域 的最優(yōu)的（C, γ)組合； 選取懲罰因子C e {2 8, 2 7·5,...，27·5, 28}，徑向基核函數(shù)中核參數(shù) 丫￡{28,27'5，...，27'5,2 8}，則共有33父33個(gè)（(：，丫）組合，對(duì)該33\33個(gè)（(：，丫）組合進(jìn) 行5層交叉驗(yàn)證，具體步驟為： 將B平穩(wěn)區(qū)域的訓(xùn)練樣本3^隨機(jī)地平均分成5組數(shù)據(jù)：組Β1、組Β2、組Β3、組M、組 Β5,將5組數(shù)據(jù)分別作為一次驗(yàn)證集，并將5組數(shù)據(jù)分別對(duì)應(yīng)的其余4組數(shù)據(jù)進(jìn)行順序組合 作為訓(xùn)練集；首先，將組Bl作為驗(yàn)證集，將組Β2、組Β3、組Β4、組Β5進(jìn)行順序組合作為訓(xùn)練 集，將該訓(xùn)練集和每一個(gè)（C，γ)組合進(jìn)行分類，得到33 X 33個(gè)分類結(jié)果，將該33 X 33個(gè)分 類結(jié)果分別與組Bl進(jìn)行比較，求得對(duì)應(yīng)于組Bl的每一個(gè)（C，γ)組合的分類準(zhǔn)確率，選取 其中分類準(zhǔn)確率最高的（C，γ)組合作為對(duì)應(yīng)于組BI的最優(yōu)（C，γ)組合；然后，分別將組 Β2、組Β3、組M、組Β5作為驗(yàn)證集，選出對(duì)應(yīng)于組Β2、組Β3、組M、組Β5的最優(yōu)（C，γ)組 合；最后，比較對(duì)應(yīng)于組Β1、組Β2、組Β3、組M、組Β5的最優(yōu)（C，γ)組合，將其中分類準(zhǔn)確 率最高的（C，γ)組合作為對(duì)應(yīng)于B平穩(wěn)區(qū)域的最優(yōu)（C，γ)組合；若對(duì)應(yīng)于組Β1、組Β2、組 Β3、組M、組Β5的最優(yōu)（C，γ)組合中，分類準(zhǔn)確率最高的（C，γ)組合有多個(gè)，則選取其中 懲罰因子C為最小的（C，γ )組合作為對(duì)應(yīng)于B平穩(wěn)區(qū)域的最優(yōu)（C，γ )組合； 7d)利用對(duì)應(yīng)于B平穩(wěn)區(qū)域的最優(yōu)（C，γ)組合和B平穩(wěn)區(qū)域的訓(xùn)練樣本支撐向 量機(jī)進(jìn)行訓(xùn)練，得到第二分類標(biāo)簽矩陣Bc，其維數(shù)與對(duì)數(shù)比值圖像Xb的維數(shù)相同。7. 如權(quán)利要求1所述的基于非平穩(wěn)分析與條件隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特 征在于，所述步驟8的具體子步驟為： 8a)構(gòu)建與原始第一時(shí)相SAR圖像維數(shù)相同的訓(xùn)練標(biāo)簽矩陣OW，訓(xùn)練標(biāo)簽矩陣OW 的初始值為全〇矩陣，將第一分類標(biāo)簽矩陣Ac中與A平穩(wěn)區(qū)域中的每個(gè)像素點(diǎn)分別對(duì)應(yīng)的 元素的值，按A平穩(wěn)區(qū)域中的每個(gè)像素點(diǎn)的坐標(biāo)位置，分別填入訓(xùn)練標(biāo)簽矩陣Oc';將第二 分類標(biāo)簽矩陣Bc中與B平穩(wěn)區(qū)域中的每個(gè)像素點(diǎn)分別對(duì)應(yīng)的元素的值，按B平穩(wěn)區(qū)域中的 每個(gè)像素點(diǎn)的坐標(biāo)位置，分別填入訓(xùn)練標(biāo)簽矩陣Oc';將訓(xùn)練標(biāo)簽矩陣Oc'作為對(duì)數(shù)比值 圖像Xb的初始分類標(biāo)簽矩陣〇c，對(duì)數(shù)比值圖像X b的初始分類標(biāo)簽矩陣Oc中元素的取值為 0或1，〇表示原始第二時(shí)相SAR圖像中的對(duì)應(yīng)像素點(diǎn)相對(duì)于原始第一時(shí)相SAR圖像中的對(duì) 應(yīng)像素點(diǎn)未發(fā)生變化，1表示原始第二時(shí)相SAR圖像中的對(duì)應(yīng)像素點(diǎn)相對(duì)于原始第一時(shí)相 SAR圖像中的對(duì)應(yīng)像素點(diǎn)發(fā)生變化； 8b)將對(duì)數(shù)比值圖像Xb的初始分類標(biāo)簽矩陣Oc擬合為S形生長(zhǎng)曲線函數(shù)，即求得對(duì)數(shù) 比值圖像Xb中每個(gè)像素點(diǎn)的類條件概率，并對(duì)對(duì)數(shù)比值圖像Xb中每個(gè)像素點(diǎn)的類條件概率 取對(duì)數(shù)，得到對(duì)數(shù)比值圖像\中每個(gè)像素點(diǎn)的一元?jiǎng)菽芎瘮?shù)，其中，對(duì)數(shù)比值圖像X b中第η 個(gè)像素點(diǎn)冗啲一元?jiǎng)菽芎瘮?shù)4〇^上，1]"，幻為： A (xn, Fn, Un, X) = Iogp (xn I dn (F, U)) 其中，p(xn|dn(F，U))為對(duì)數(shù)比值圖像Xb中第η個(gè)像素點(diǎn)C的類條件概率，X為標(biāo) 記場(chǎng)，\為標(biāo)記場(chǎng)X中對(duì)應(yīng)于對(duì)數(shù)比值圖像X b的第η個(gè)像素點(diǎn)巧的標(biāo)記值，F(xiàn)n為對(duì)數(shù) 比值圖像Xb中第η個(gè)像素點(diǎn)g的紋理特征向量，巧=f/4W,Z),?(d)，X(〇<)]， j()分別為對(duì)數(shù)比值圖像Xb中第η個(gè)像素點(diǎn)紀(jì)的均值特征、對(duì)比 度特征和半方差特征，〇〗'，·/；：)為對(duì)數(shù)比值圖像Xb中第η個(gè)像素點(diǎn)；的坐標(biāo)，Un為對(duì)數(shù)比值 圖像Xb中第η個(gè)像素點(diǎn)私的平穩(wěn)性標(biāo)記值，F(xiàn)為紋理特征場(chǎng)，U為非平穩(wěn)場(chǎng)，dn(F，U)為對(duì) 數(shù)比值圖像Xb中第η個(gè)像素點(diǎn)尺的紋理特征場(chǎng)與非平穩(wěn)場(chǎng)的混合場(chǎng)，n e {1，2, ...，N}，N 為對(duì)數(shù)比值圖像\的像素點(diǎn)總數(shù)，log表示取對(duì)數(shù)。8. 如權(quán)利要求1所述的基于非平穩(wěn)分析與條件隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特 征在于，所述步驟9的具體子步驟為： 9a)定義平滑函數(shù)f( λ)由因果濾波器fj λ)和非因果濾波器&( λ)組成： CN 105160666 A _權(quán)利要求書_ _8/9 頁(yè) 其中，A ( λ ) = cdAu(λ )，f2( λ -I) = cd u λ -1))，d 為設(shè)定常數(shù)，且 0〈(!〈!，c =l-d，u(A)為階躍函數(shù)，λ為自變量； 9b)給出指數(shù)加權(quán)均值比率算子的定義如下：其中，（CJ)表示對(duì)數(shù)比值圖像Xb中第η個(gè)像素點(diǎn)扣的坐標(biāo)，n e {1，2，...，N}，N為 對(duì)數(shù)比值圖像Xb的像素點(diǎn)總數(shù)，μ n，μ 12, μ P μ 12為指數(shù)加權(quán)值，按下式進(jìn)行計(jì)算：其中，匕為對(duì)數(shù)比值圖像Xb中第η個(gè)像素點(diǎn)$的紋理特征向量，分別為對(duì)數(shù)比值圖像Xb 中第η個(gè)像素點(diǎn)€的均值特征、對(duì)比度特征和半方差特征，*表示水平方向上的卷積，?則 表示垂直方向上的卷積； 9c)通過(guò)以下公式提取對(duì)數(shù)比值圖像Xb中第η個(gè)像素點(diǎn)紀(jì)的邊界強(qiáng)度rn:9c)通過(guò)以下公式構(gòu)建對(duì)數(shù)比值圖像Xb中第η個(gè)像素點(diǎn)％的二元?jiǎng)菽芎瘮?shù) I (xn, xt, X, Y, U)：其中，Qh為水平鄰域系統(tǒng)、Qv為垂直鄰域系統(tǒng)，^為對(duì)數(shù)比值圖像Xb中第η個(gè)像素點(diǎn) X的邊界強(qiáng)度，^為對(duì)數(shù)比值圖像像素點(diǎn)t的邊界強(qiáng)度，X為標(biāo)記場(chǎng)，χΑ標(biāo)記場(chǎng)X中 對(duì)應(yīng)于對(duì)數(shù)比值圖像Xb的第η個(gè)像素點(diǎn)私的標(biāo)記值，^為標(biāo)記場(chǎng)X中對(duì)應(yīng)于對(duì)數(shù)比值圖像 Xb的像素點(diǎn)t的標(biāo)記值，edge_C為常量，為二元?jiǎng)菽芎瘮?shù)參數(shù)，Y 為觀測(cè)場(chǎng)，U為非平穩(wěn)場(chǎng)，gl，g2為非平穩(wěn)場(chǎng)U的兩個(gè)不同取值，一般分別取O和1，U n為對(duì)數(shù) 比值圖像Xb中第η個(gè)像素點(diǎn)發(fā)的平穩(wěn)性標(biāo)記值，隊(duì)為對(duì)數(shù)比值圖像X ,中像素點(diǎn)t的平穩(wěn) 性標(biāo)記值，S為階躍函數(shù)，其中：9.如權(quán)利要求1所述的基于非平穩(wěn)分析與條件隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，其特 征在于，所述步驟11的具體子步驟為： Ila)在對(duì)數(shù)比值圖像Xb的初始分類標(biāo)簽矩陣Oc中隨機(jī)選取出一個(gè)大小為MXM的子 矩陣作為初步算法模型P (XIY)中的標(biāo)記場(chǎng)X的初始值X (〇)，并根據(jù)初步算法模型P (XIY) 求得二元?jiǎng)菽芎瘮?shù)參數(shù)的初始值，再利用所求出的二元?jiǎng)菽芎瘮?shù)參數(shù)的初始值，根據(jù)初步 算法模型P (XIY)求得第1代標(biāo)記場(chǎng)X1作為第1代分類標(biāo)簽矩陣；設(shè)置迭代次數(shù)t = 1 ; lib)在第t代分類標(biāo)簽矩陣中隨機(jī)取出一個(gè)大小為MXM的子矩陣作為初步算法模 型P (XIY)中的第t次迭代的標(biāo)記場(chǎng)X (t)，并根據(jù)初步算法模型p (XIY)求得第t次迭代的 二元?jiǎng)菽芎瘮?shù)參數(shù)，再利用所求出的第t次迭代的二元?jiǎng)菽芎瘮?shù)參數(shù)，根據(jù)初步算法模型 P(XlY)求得第t+Ι代標(biāo)記場(chǎng)Xt+1作為第t+Ι代分類標(biāo)簽矩陣； lie)如果迭代次數(shù)t>9,則將第t+Ι代分類標(biāo)簽矩陣作為對(duì)數(shù)比值圖像Xb的最終分類 標(biāo)簽矩陣，即將第t+Ι代分類標(biāo)簽矩陣作為原始第二時(shí)相SAR圖像相對(duì)于原始第一時(shí)相SAR 圖像的變化檢測(cè)結(jié)果；反之，令迭代次數(shù)t增加1，返回步驟lib)。
【專利摘要】本發(fā)明公開了一種基于非平穩(wěn)分析與條件隨機(jī)場(chǎng)的SAR圖像變化檢測(cè)方法，包括以下步驟：(1)對(duì)原始第一、第二時(shí)相SAR圖像分別進(jìn)行歸一化處理，再作對(duì)數(shù)比值運(yùn)算，得到對(duì)數(shù)比值圖像，并求取對(duì)數(shù)比值圖像的紋理特征矩陣；(2)將對(duì)數(shù)比值圖像進(jìn)行平穩(wěn)性分割，得到A、B平穩(wěn)區(qū)域，構(gòu)建A、B平穩(wěn)區(qū)域的訓(xùn)練樣本，分別利用A、B平穩(wěn)區(qū)域的訓(xùn)練樣本訓(xùn)練支撐向量機(jī)，得到第一、第二分類標(biāo)簽矩陣；(3)根據(jù)第一、第二分類標(biāo)簽矩陣求得對(duì)數(shù)比值圖像的初始分類標(biāo)簽矩陣，并求得對(duì)數(shù)比值圖像中每個(gè)像素點(diǎn)的一元?jiǎng)菽芎瘮?shù)和二元?jiǎng)菽芎瘮?shù)，進(jìn)而得到初步算法模型，再計(jì)算初步算法模型中的二元?jiǎng)菽芎瘮?shù)參數(shù)，進(jìn)而求得對(duì)數(shù)比值圖像的最終分類標(biāo)簽矩陣。
【IPC分類】G06T7/00, G06K9/00
【公開號(hào)】CN105160666
【申請(qǐng)?zhí)枴緾N201510526592
【發(fā)明人】李明, 朱華慧, 張鵬, 吳艷, 賈璐, 安琳
【申請(qǐng)人】西安電子科技大學(xué)
【公開日】2015年12月16日
【申請(qǐng)日】2015年8月25日